REGISTRO DOI: 10.69849/revistaft/th102411182344
Wherbert Gonçalves da Silva¹
Vigner Vieira dos Santos²
Daniel da Conceição Pinheiro³
Abstract. This article refers to the elaboration of a literature review on techniques for detecting fatigue in drivers, with an emphasis on the gaps found in recent studies. The goal is to examine video, physiological signal analysis, and other monitoring systems, among other methods, to find areas and limitations for future investigation. Lack of generalization to real driving conditions, challenges related to individual variability, and needs to optimize algorithms for computational efficiency are the main gaps observed.
Resumo. Este artigo é referente a elaboração de uma revisão da literatura sobre técnicas de detecção de fadiga em motoristas, com ênfase nas lacunas encontrados em estudos recentes. O objetivo consiste em examinar o vídeo, análise de sinais fisiológicos e outros sistemas de monitoramento, entre outros métodos, para encontrar áreas e limitações para investigações futuras. A falta de generalização para condições de condução reais, desafios relacionados à variabilidade individual e necessidades de otimização de algoritmos para eficiência computacional são as principais lacunas observadas.
Palavras–chaves – Fadiga do Motorista, Detecção de Fadiga, Biomarcadores de Fadiga, Sistemas de Monitoramento de Condutores.
1. Introdução
A segurança viária é uma preocupação global de extrema importância, e a fadiga do motorista emerge como um dos principais desafios nesse contexto. A sonolência ao volante representa uma ameaça, que contribui para o número de acidentes rodoviários em todo o mundo. Segundo a Associação Brasileira de Medicina de Tráfego (ABRAMET) no Brasil, cerca de 40% dos acidentes nas rodovias federais estão relacionados à sonolência. Essa é 3ª maior causa de acidentes de trânsito no país, ficando atrás apenas do uso de álcool e drogas ao volante e excesso de velocidade. Conduzir sob o efeito da fadiga não apenas coloca em risco a vida do próprio motorista, mas também a de passageiros e outros usuários das vias.
Avanços tecnológicos recentes têm impulsionado o desenvolvimento de sistemas e métodos para identificar sinais de sonolência durante a condução, esses avanços variam desde o uso de dispositivos biométricos até técnicas de inteligência artificial e aprendizado de máquina.
Diante desse contexto, esse artigo de revisão de literatura se torna essencial para mapear os conhecimentos existentes, identificar lacunas de pesquisa e destacar os progressos alcançados na área da detecção de fadiga de motoristas. Por meio dessa revisão, pretendo fornecer uma análise crítica dos avanços tecnológicos, discutir as limitações dos estudos existentes e identificar áreas para futuras pesquisas.
2. Definição do Tópico
A detecção de fadiga de motoristas é um campo de estudo que se concentra em identificar e prevenir a sonolência dos condutores durante a condução. Atualmente, para que haja um reconhecimento de condutor em estado de fadiga, se faz necessário usar gatilhos (como por exemplo: fechamento dos olhos e abertura da boca), esses sinais precoces de fadiga e sonolência em motoristas, dão início a base de estudo para identificação precoce da fadiga.
O interesse pela detecção de fadiga de motoristas remonta ao século XX, com os primeiros estudos concentrados na compreensão dos efeitos da privação do sono e da monotonia na habilidade de dirigir. Ao longo das décadas, o avanço da tecnologia tem permitido o desenvolvimento de métodos mais avançados de detecção, incluindo o uso de sensores biométricos, análise de padrões faciais, processamento de sinais e inteligência artificial.
Atualmente, a relevância desse tema é crescente devido ao aumento do número de acidentes de trânsito causados por motoristas sonolentos em todo o mundo. A Organização Mundial da Saúde (OMS) estima que a fadiga do motorista contribui para uma parcela significativa dos acidentes rodoviários, tornando a detecção precoce e a prevenção da sonolência uma prioridade em termos de segurança viária.
3. Desenvolvimento Histórico
A detecção de fadiga de motoristas evoluiu ao longo do tempo, impulsionada por avanços tecnológicos e científicos. O entendimento sobre os efeitos da sonolência no desempenho do motorista começou a ser explorado no século XX, com o surgimento de estudos pioneiros sobre privação do sono e fatores que afetam a vigília durante a condução.
Conforme levantamento histórico realizada pela Clínica de Distúrbios do Sono, disponível em sua página web, nas décadas de 1950 e 1960, pesquisas começaram a investigar os efeitos da privação do sono e da monotonia na capacidade de dirigir com segurança. Estudos como os de William Dement e Nathaniel Kleitman ajudaram a lançar as bases para a compreensão dos impactos da fadiga do motorista. Ao longo das décadas de 1970 e 1980, surgiram os primeiros métodos de detecção de fadiga, incluindo técnicas baseadas em dados fisiológicos, como eletroencefalografia (EEG) e
eletrooculografia (EOG), que permitiam monitorar a atividade cerebral e os movimentos oculares dos condutores. Nas últimas décadas, os avanços tecnológicos revolucionaram a detecção de fadiga de motoristas. Sensores biométricos, como EEG e frequência cardíaca, foram integrados a sistemas de monitoramento veicular, permitindo uma detecção mais precisa e em tempo real dos sinais de sonolência.
Os avanços recentes incluem a integração de tecnologias emergentes, como Internet das Coisas (IoT) e computação em nuvem, para melhorar a capacidade de processamento e lidar com desafios emergentes na detecção de fadiga do motorista. O uso de algoritmos de inteligência artificial, como redes neurais convolucionais (CNNs) e aprendizado de máquina, tem se mostrado promissor na detecção de fadiga, permitindo uma análise mais sofisticada de dados biométricos e comportamentais obtidos em câmeras de monitoramento que podem ser instaladas em veículos. Tendências atuais incluem o desenvolvimento de sistemas de assistência ao motorista integrados, que combinam a detecção de fadiga com outras funcionalidades, como detecção de colisões e assistência à direção, visando uma abordagem holística para a segurança veicular.
4. Metodologia de Revisão
Para essa revisão foi utilizado os critérios de revisão descritos na tabela abaixo.
Levando em consideração a seleção desses critérios, foi pesquisados nas fontes de periódicos, Portal CAPES, Academic Google e IEEE Explorer.
Foram utilizadas as seguintes strings:
String 01: (“drowsiness” OR “fatigue”) AND (“fatigue detection” OR “detection of fatigue or drowsiness”) AND (“Fatigue Level”) AND (“driver fatigue detection” OR “Fatigue Detection System in Vehicles”) AND (“PERCLOS” OR “Proportion of the eyes closed”) AND (“driver assistance”).
String 02: (“drowsiness” OR “fatigue”) AND (“Fatigue Level”) AND (“PERCLOS” OR “Proportion of the eyes closed”) AND (“driver assistance”) AND (“driver fatigue detection”).
String 03: (“drowsiness” OR “fatigue”) AND (“Fatigue Level”) AND (“driver assistance”) AND (“driver fatigue detection”).
String 04: (“drowsiness” OR “fatigue”) AND (“Fatigue Level”) AND (“driver fatigue detection”).
String 05: (“drowsiness” OR “fatigue”) AND (“Fatigue Level”) AND (“driver assistance”) AND (“driver fatigue detection” OR “Fatigue Detection System in Vehicles”).
Através das pesquisas nas fontes de buscas, utilizando os critérios de inclusão e exclusão com os resultados retornados pelas strings mencionadas acima, tivemos a relação dos artigos incluídos, estes estão mencionados na tabela 2, juntamente com as informações de autores, data de publicação e qual o veículo de publicação.
Tabela 2 – Artigos incluídos na revisão de literatura.
5. Perspectivas Teóricas
Nos estudos recentes sobre detecção de fadiga em condutores de veículos, tem se levantado diversas teorias para detecção, usando modelos fundamentados em técnicas de visão computacional quanto a leitura e interpretação de sinais biomédicos de ondas cerebrais, pressão sanguínea etc.
Um estudo que se destacou na revisão de literatura foi o “LIGHTWEIGHT DRIVER MONITORING SYSTEM BASED ON MULTI-TASK MOBILENETS” faz
uso de processamento de imagens e aprendizado de máquina, onde o reconhecimento de comportamentos faciais e análise de dados relacionados à fadiga desempenham o papel central. O que chama a atenção nesse estudo, é a forma em que o autor traduziu o conceito de fadiga e distração do motorista, mapeando o ângulo de visão e PERCULO (Percentual de fechamento de olhos), vide figura 1.
Figura 1 – Procedimento de aquisição dos dados da série temporal.
Fonte: Artigo “Lightweight Driver Monitoring System Based on Multi-Task Mobilenets”
Teorias fundamentadas nesses campos têm sido amplamente aplicadas, com foco na utilização de redes neurais convolucionais (CNNs) para desenvolver sistemas de reconhecimento do estado do motorista. Esses modelos identificam padrões específicos de comportamento facial, permitindo uma detecção precoce de sinais de fadiga durante a condução.
Teorias baseadas em estado fisiológico e em princípios de neurociência e engenharia de sistemas, empregando técnicas como eletroencefalograma (EEG) e variabilidade da frequência cardíaca (HRV) para capturar atividades cerebrais e cardíacas relacionadas à fadiga e sonolência também ganham destaque nessa pesquisa. Modelos utilizando sinais biométricos para identificar mudanças no estado físico e comportamental do motorista, como mostrado no artigo “DRIVER’S HAND-FOOT COORDINATION AND GLOBAL-REGIONAL BRAIN FUNCTIONAL CONNECTIVITY UNDER FATIGUE: VIA GRAPH THEORY AND EXPLAINABLE ARTIFICIAL INTELLIGENCE”. Que utilizou de técnicas voltadas a captação de ondas de EEG, também ganham destaque, pela forma de analises mais complexas e expressando conhecimento que vão além do que são adquiridos estudando computação aplicada. Imagem 2.
Figura 2 – Ambiente experimental e subdivisão regional dos canais EEG
Fonte: Artigo “Driver’s Hand-Foot Coordination and Global-Regional Brain Functional Connectivity under Fatigue: Via Graph Theory and Explainable Artificial Intelligence”
A integração de teorias e modelos provenientes de diversas disciplinas, incluindo psicologia, fisiologia, engenharia e segurança rodoviária, é fundamental nos estudos sobre detecção de fadiga para motoristas. Essa abordagem multidisciplinar possibilita uma compreensão dos fatores que contribuem para a fadiga ao volante, facilitando o desenvolvimento de sistemas eficazes de detecção e prevenção.
6. Estudos Empíricos
Com a extração dos 15 artigos, realizei uma análise crítica para buscar informações necessárias para identificação de lacunas, ganhos e perspectiva de estudos futuros.
Lightweight Driver Monitoring System Based on Multi-Task Mobilenets – As técnicas utilizadas neste estudo mostram que MT-Mobilenets são capazes de reconhecer expressões faciais e racionalização facial que são relevantes para o estado do motorista, como direção do rosto, fechamento dos olhos e abertura da boca, sem depender da detecção e racionalização facial convencional. A ideia de combinar um dispositivo de compartilhamento de recursos, como o celular do motorista, para processar imagens adicionalmente, é uma prática proposta para aumentar a precisão do sistema e uma solução para expandir a proposta de deteção de fadiga e sonolência em veículos.
Fatigue Detection Algorithm Based on Eye Multifeature Fusion – O estudo apresentou um novo algoritmo de detecção de fadiga, que utiliza a fusão de múltiplos aspectos dos olhos para melhorar a precisão e a velocidade de resposta. Diferente dos métodos tradicionais que dependem de uma única característica, este algoritmo considera quatro parâmetros: razão de aspecto do olho (EAR), porcentagem de fechamento da pálpebra sobre a pupila (PERCLOS), frequência de piscadas (BF) e taxa de oclusão da pupila (POR). A contribuição deste artigo está relacionada ao equilíbrio e a precisão da detecção com o tempo de resposta dos gatilhos de detecção, algo que os métodos anteriores não conseguiram alcançar. O estudo demonstrou uma precisão de até 95% na detecção de fadiga.
Smart driver assistance system using raspberry pi and sensor networks – é apresentado no estudo um sistema inteligente de monitoramento de condutores de veículos, esse se destaca ao aplicar técnicas de processamento de sinais e ferramentas embarcadas para integrar três módulos: detecção de fadiga do motorista, detecção de teor alcoólico e detecção de colisões veiculares. Essa acometida banca uma melhora em relação aos métodos antecedentes, que se baseavam em dados fisiológicos e analógicos.
Hypo-Driver: A Multiview Driver Fatigue and Distraction Level Detection System – Empregou método multimodal, combinando dados fisiológicos e comportamentais do motorista, capturados por meio de sensores e câmeras veiculares. Foram utilizadas redes neurais convolucionais (CNNs) e modelos de redes neurais recorrentes (RNNs) para extrair características dos dados e classificar os estados de fadiga do motorista. O modelo proposto, denominado Hypo-Driver, alcançou uma taxa média de acurácia de 96.5% na detecção de cinco estágios de hipovigilância e distração do motorista.
A Real-time Driver Fatigue Detection Method Based on Two-Stage Convolutional Neural Network – Abordou detecção de fadiga do motorista baseada em redes neurais convolucionais (CNNs), dividida em duas etapas principais: a detecção da localização das características faciais relevantes (olhos e boca) e o reconhecimento do estado dessas características. Para isso, o artigo utiliza uma rede de detecção de localização inspirada no YOLOv3 e uma rede de reconhecimento de estado. Os resultados alcançados mostraram que a rede apresentou precisão na detecção das regiões dos olhos e da boca em comparação com outros conceitos existentes, como Faster RCNN e SSD. Além disso, a rede de reconhecimento de estado obteve uma precisão de classificação de 93,83%. Ao implementar o método proposto em um dispositivo embarcado Raspberry Pi 4, os resultados mostraram que a detecção de fadiga do motorista pode ser realizada em tempo real, atingindo uma velocidade de detecção de 10,4 quadros por segundo (FPS) com uma precisão de 94,7%. Isso demonstra a viabilidade do método proposto para aplicações práticas em sistemas de segurança veicular.
Convolutional Three-Stream Network Fusion for Driver Fatigue Detection from Infrared Videos – Foi teorizado o emprego de uma arquitetura de rede convolucional de três fluxos para a detecção de fadiga do motorista a partir de vídeos infravermelhos, utilizando 3 fluxos: um fluxo espacial que processa o quadro infravermelho atual, um fluxo temporal de curto prazo que modela fluxos ópticos e um fluxo temporal de médio prazo que modela o histórico de movimento de fluxo óptico (OF-MHI) dentro da sequência de vídeo infravermelho. Esses fluxos são combinados na última camada convolucional por meio de uma rede convolucional 3D (CNN 3D). Os resultados mostraram que a arquitetura de três fluxos alcançou uma precisão de 94,68% na detecção de fadiga do motorista, superando as redes convolucionais individuais e outros métodos de última geração.
Drivers Fatigue Level Prediction Using Facial, and Head Behavior Information – Ao empregar técnicas de processamento de imagem e aprendizado de máquina, como redes neurais convolucionais (CNNs), o estudo desenvolve métodos para identificar sinais de fadiga por meio de padrões faciais e comportamentais. Essa prática não intrusiva feita por meios de câmeras é uma solução, pois evita a necessidade de dispositivos físicos adicionais ou sensores invasivos que necessita diretamente a ação do condutor de usar o dispositivo (exemplo: óculos, medidores de pressão arterial etc). Além disso, o artigo relata desafios de como lidar com a diversidade de cenários de condução, variações nas condições de iluminação e o uso de acessórios pelos motoristas.
Driver Fatigue Detection Through Chaotic Entropy Analysis of Cortical Sources Obtained From Scalp EEG Signals – Ao utilizar técnicas de processamento de sinais, como análise de EEG e métodos de classificação como as máquinas de vetor de suporte (SVM), o estudo comprova a viabilidade de identificar estados de sonolência com base em padrões de atividade cerebral.
Driver’s Hand-Foot Coordination and Global-Regional Brain Functional Connectivity under Fatigue: Via Graph Theory and Explainable Artificial Intelligence – As técnicas utilizadas, como a análise de conectividade funcional por meio de eletroencefalografia (EEG), corroboram para avaliar o estado mental dos motoristas em tempo real. No entanto, o estudo encarou desafios relacionados à variabilidade particular na resposta à fadiga e à complexidade na interpretação dos padrões de conectividade cerebral.
Driver Fatigue Detection via Differential Evolution Extreme Learning Machine Technique – Com base no artigo, podemos assegurar que existem várias publicações sobre abordagens de detecção de fadiga do motorista, utilizando uma abundância de técnicas e tecnologias. Algumas dessas incluem o uso de sinais biométricos, como EEG, EOG e EMG, para monitorar as condições físicas e cognitivas do motorista. Além disso, métodos baseados em aprendizado de máquina, como SVM, redes neurais e extremal learning machine (ELM), têm sido agregados para analisar e classificar esses sinais e identificar padrões associados à fadiga.
Yawn Based Driver Fatigue Level Prediction – Ao propor um modelo de predição de níveis de fadiga com base na detecção de bocejos usando uma câmera de painel de carro, o estudo oferece uma abordagem inovadora e de baixo custo para monitorar o estado de alerta dos motoristas. Ao empregar uma rede neural convolucional (CNN), o artigo demonstra a aplicação eficaz de técnicas avançadas de aprendizado de máquina na detecção de padrões visuais complexos, como bocejos, em vídeos em tempo real.
On-Road Detection of Driver Fatigue and Drowsiness during Medium-Distance Journeys – O artigo destaca a diversidade de técnicas utilizadas, desde análise de sinais neurofisiológicos até sistemas de assistência avançada ao motorista (ADAS) baseados em imagens faciais, assistência essa que vai além da detecção de fadiga, mas trata também de métodos para deteção da distração do condutor.
Automatic driver cognitive fatigue detection based on upper body posture variations – As principais contribuições do artigo incluem a validação da correlação entre variações na postura do corpo superior e mudanças no estado mental do motorista, bem como a demonstração da viabilidade de usar essas informações para melhorar a segurança nas estradas. No entanto, alguns desafios podem surgir no desenvolvimento e implementação dessa tecnologia, incluindo a necessidade de refinamento contínuo dos algoritmos de detecção e a adaptação da metodologia a uma variedade de cenários de condução. Além disso, questões relacionadas à privacidade e aceitação do usuário também podem surgir ao considerar a implementação em larga escala dessa tecnologia.
An adaptive Driver Fatigue Identification Method Based on HMM – Ao considerar as características individuais dos motoristas, o modelo melhora a precisão da detecção de fadiga, o que pode ajudar a prevenir acidentes de trânsito causados por motoristas fatigados. As técnicas utilizadas, como a análise de dados EEG e EOG, a aplicação de modelos de Markov ocultos e o uso de algoritmos adaptativos. No entanto, o estudo também enfrenta desafios, como a necessidade de mais dados para treinar e validar o modelo proposto.
Driver Fatigue Detection Method Based on Human Pose Information Entropy – Propoe método para detectar fadiga em motoristas de ônibus, ao utilizar análise visual do estado dos olhos, para identificação precoce da fadiga do motorista, potencialmente prevenindo acidentes graves. As técnicas de processamento de imagem e aprendizado de máquina representam uma resposta às crescentes preocupações com a segurança no transporte rodoviário.
7. Limitações e Desafios
É divulgado na página 5 do “Lightweight Driver Monitoring System Based on Multi- Task Mobilenets” uma tabela sobre o resultado de cálculos matemáticos para se chegar aos níveis de fadigas dispostos na tabela, os dados retirados para esse calculo e definição dessa matriz, foram feitos em ambientes experimentais, onde não há correlação direta com a realidade em condução, onde há fatores externos como: tempo, iluminação, conduções da estrada, e pressão por metas e objetivos a se alcançar, identifico isso como uma lacuna a ser explorada.
O artigo “Fatigue Detection Algorithm Based on Eye Multifeature Fusion” menciona o desafio de processar imagens em tempo real para reconhecimento de comportamentos faciais, especialmente em um dispositivo leve como o Raspberry Pi. Portanto, uma área de estudo seria a otimização dos algoritmos e técnicas de processamento para melhorar a eficiência computacional sem comprometer a precisão do reconhecimento.
No Arquigo “Smart driver assistance system using raspberry pi and sensor networks” é observado que embora os sistemas propostos tenham demonstrado uma alta taxa de detecção de sonolência e eficiência na detecção de álcool, a confiabilidade desses resultados não foi discutida em detalhes. Seria importante incluir uma análise da confiabilidade dos sistemas ao longo do tempo e em diferentes condições ambientais para garantir sua utilidade e precisão contínuas.
O estudo “Hypo-Driver: A Multiview Driver Fatigue and Distraction Level Detection System”, reconhece dificuldades na extração de características visuais, especialmente em condições desafiadoras como dirigir à noite ou quando o motorista está com a cabeça fora de posição. Outro assundo á abordar ainda no mesmo artigo é que embora a proposta de usar smartphones para detectar fadiga seja discutida, há preocupações sobre desempenho, taxa de aquisição de dados, capacidade de armazenamento e privacidade. Isso destaca a necessidade de estudos que considerem esses desafios ao projetar sistemas de detecção de fadiga baseados em dispositivos móveis. É falado também sobre a Integração de Tecnologias Emergentes como IoT e Computação em Nuvem, a importância de integrar tecnologias como Internet das Coisas (IoT) e computação em nuvem para melhorar o poder computacional e lidar com desafios emergentes. No entanto, não entra em detalhes sobre como essa integração pode ser realizada de maneira eficaz, indicando uma área para futuras pesquisas e desenvolvimento.
O estudo “Convolutional Three-Stream Network Fusion for Driver Fatigue Detection from Infrared Videos” foi realizado com amostragens em um ambiente controlado com um conjunto específico de motoristas e condições simuladas. A falta de generalização para condições de condução reais, onde os fatores ambientais, como iluminação, condições climáticas e tipos de estrada, podem variar significativamente, essa condição também é identificada nos demais estudos desta revisão de literatura.
Como base no artigo “Drivers Fatigue Level Prediction Using Facial, and Head Behavior Information” o estudo reconhece que as condições simuladas de condução podem não refletir totalmente os desafios encontrados em ambientes não controlados. Como mencionado no artigo, “sob condições não controladas, esse framework pode falhar em capturar os pontos de referência faciais dos motoristas”. Embora os resultados sejam satisfatórios, é essencial validar o framework em condições reais de condução. Como observado no trecho “validações adicionais em condições de condução do mundo real são necessárias para garantir a robustez e a eficácia do modelo proposto”.
No artigo “EEG Signal Analysis for the Assessment and Quantification of Driver’s Fatigue” uma das lacunas está relacionada à necessidade de desenvolver métodos mais precisos e confiáveis para distinguir entre diferentes níveis de sonolência. Como mencionado por Kar et al. (2010), “os algoritmos propostos devem ser capazes de diferenciar a sonolência do motorista de outros fatores, como álcool ou distração” (p. 305). Além disso, o estudo destaca a importância de considerar a variabilidade individual na resposta cerebral à sonolência, como afirmado por Chaudhuri et al. (2012), “devido à variabilidade interindividual, ainda existe a necessidade de otimizar os métodos de detecção para diferentes perfis de motoristas” (p. 5). Outra lacuna identificada é a falta de avaliação de longo prazo dos sistemas de detecção de sonolência em situações do mundo real, como mencionado por Zhao et al. (2011), “os métodos propostos precisam ser validados em condições reais de direção para avaliar sua eficácia e confiabilidade” (p. 1863).
No estudo “Driver’s Hand-Foot Coordination and Global-Regional Brain Functional Connectivity under Fatigue: Via Graph Theory and Explainable Artificial Intelligence” uma das lacunas destacadas é a necessidade de explorar mais a fundo a relação entre a fadiga e a conectividade cerebral em diferentes estados de vigília, conforme indicado no artigo, “embora a fadiga do motorista tenha sido associada a alterações na conectividade
funcional do cérebro, a dinâmica exata dessas mudanças durante a condução ainda não está completamente compreendida” [21]. Esta falta de compreensão completa sugere uma oportunidade para futuras pesquisas explorarem em detalhes como a fadiga afeta a conectividade funcional do cérebro em contextos específicos, como durante a condução. Outra lacuna ressaltada no estudo é a necessidade de investigar os efeitos da fadiga em diferentes grupos demográficos e contextos de direção. Como mencionado no artigo, “mais estudos são necessários para investigar a conectividade funcional do cérebro em motoristas de diferentes faixas etárias, níveis de experiência e em condições de direção do mundo real”.
No artigo “Driver Fatigue Detection via Differential Evolution Extreme Learning Machine Technique á menção de lacunas referente a Integração de Tecnologias, a falta de integração de diferentes modalidades de detecção de fadiga do motorista, o texto menciona: “A maioria dos métodos de detecção de fadiga do motorista se concentra em uma única modalidade de detecção, como EEG, EOG ou EMG. No entanto, há uma necessidade de integrar esses sinais para uma detecção mais precisa da fadiga do motorista” (p. 15).
O Artigo “Yawn Based Driver Fatigue Level Prediction” aponta que condições de iluminação variáveis e diferentes modos de movimento da cabeça dos motoristas podem afetar a precisão da detecção de bocejos, isso é destacado na seguinte passagem: “The major setbacks of this method is that it will depend heavily on the geometric makeup of the face of the subject.
No “Automatic driver cognitive fatigue detection based on upper body posture variations” uma dessas lacunas está relacionada à necessidade de estudos adicionais para validar e aprimorar ainda mais a abordagem proposta. No trecho que discute as fragilidades do estudo, é mencionado que “o estudo carece de avaliação extensiva em termos de diferentes condições de condução, com um número maior de participantes e a inclusão de motoristas com características variadas”.
No “An adaptive Driver Fatigue Identification Method Based on HMM”, à falta de dados experimentais suficientes para treinar e validar adequadamente o modelo proposto. Essa lacuna é mencionada na seção de conclusão, o estudo também menciona a possibilidade de aprimoramento do modelo através da consideração de uma classificação mais detalhada dos estados do motorista, indicando outra lacuna que poderia ser explorada em pesquisas futuras.
8. Conclusão
É notório que a detecção de fadiga em veículos é essencial para evitar acidentes no trânsito. Este esse estudo de revisão de literatura, revelou uma variedade de conceitos e teorias promissoras e inovadoras para detectar a fadiga do motorista, incluindo técnicas baseadas em processamento de imagem, análise de sinais biométricos e aprendizado de máquina. Mesmo com os avanços sobre o tema, tem se observado com base na nessa pesquisa, que ainda há limitações e desafios que precisam ser enfrentados para avançar ainda mais com esse tema. Uma das principais limitações é a falta de validação em condições reais de condução, o que pode afetar a generalização e a eficácia dos modelos propostos. Portanto, é essencial conduzir mais estudos em ambientes do mundo real para garantir a confiabilidade e a precisão dos sistemas de detecção de fadiga.
Além disso, a integração de diferentes modalidades de detecção, como EEG, EOG e EMG, pode trazer ainda mais a precisão da detecção. Muitos estudos se concentraram em uma única modalidade, mas a combinação desses sinais pode levar a resultados mais robustos e confiáveis. Importante também destacar que a eficiência computacional e a confiabilidade dos sistemas atualmente propostos, como dispositivos leves (ex: Raspberry Pi), essas não foi revelado nos estudos procedimento e técnicas de validação da precisão dos dispositivos, sabemos que dispositivos de filmagens podem ter diferentes desempenho, variando de acordo com a marca, técnica de integração e tecnologia aplicada no dispositivo de filmagem. São necessárias pesquisas adicionais para otimizar os algoritmos e técnicas de processamento, garantindo eficiência sem comprometer a precisão da detecção.
É fundamental considerar a variabilidade individual na resposta à fadiga e adaptar os modelos a diferentes perfis de motoristas. Uma abordagem personalizada que leve em conta as características individuais dos motoristas pode ser uma opção para a melhoria da precisão na detecção. Foi observado nos estudo que há classificação de níveis de fadiga do condutor, levando em consideração a postura do corpo, uso de álcool, fechamento dos olhos, abertura da boca etc. porém, não foi observado estudos práticos para definição dessas matrizes e nem qual embasamento levando em consideração base de conhecimento em fadiga, para definição dessas matrizes. Em resumo, esta revisão destaca a importância contínua da pesquisa na detecção de fadiga em motoristas e aponta para áreas promissoras para futuros estudos e desenvolvimentos. Ao abordar as limitações e desafios identificados, podemos avançar em direção a sistemas mais eficazes e confiáveis para melhorar a segurança nas estradas e proteger vidas no trânsito
9. Referências Bibliográficas
Kim, W., Jung, W.-S., & Choi, H. K. (2019). “Lightweight Driver Monitoring System Based on Multi-Task Mobilenets”. Electronics and Telecommunications Research Institute, 218 Gajeong-ro, Yuseong-gu, Daejeon 34129, Korea.
Yi, Y., Zhou, Z., Zhang, W., Zhou, M., Yuan, Y., & Li, M. (2023). “Fatigue Detection Algorithm Based on Eye Multifeature Fusion”. IEEE Sensors Journal, 23(7), 01 de abril de 2023.
Kumar, V. S., Ashish, S. N., Gowtham, I. V., Balaji, S. P. A., & Prabhu, E. (2020). “Smart driver assistance system using raspberry pi and sensor networks”. Department of Electronics and Communication Engineering, Amrita School of Engineering, Coimbatore, Amrita Vishwa Vidyapeetham, India.
Abbas, Q., Ibrahim, M. E. A., Khan, S., & Baig, A. R. (2021). “Hypo-Driver: A Multiview Driver Fatigue and Distraction Level Detection System”. College of Computer and Information Sciences, Imam Mohammad Ibn Saud Islamic University (IMSIU), Riyadh, 1143.
He, H., Zhang, X., Jiang, F., Wang, C., Yang, Y., Liu, W., & Peng, J. (2021). “A Real- time Driver Fatigue Detection Method Based on Two-Stage Convolutional Neural Network”. School of Computer Science and Engineering, Central South University, Changsha, China 410083.
Ma, X., Chau, L.-P., Yap, K.-H., & Ping, G. (2019). “Convolutional Three-Stream Network Fusion for Driver Fatigue Detection from Infrared Videos”. 2019 IEEE International Symposium on Circuits and Systems (ISCAS).
Kassem, H. A., Chowdhury, M., & Abawaj, J. H. (2021). “Drivers Fatigue Level Prediction Using Facial, and Head Behavior Information”. IEEE Access, 9.
Chaudhuri, A., & Routray, A. (2019). “Driver Fatigue Detection Through Chaotic Entropy Analysis of Cortical Sources Obtained From Scalp EEG Signals”. IEEE Transactions on Intelligent Transportation Systems, 21(1), January 2020.
Wu, Y., Li, W., Zhang, J., Tang, B., Xiang, J., Li, S., & Guo, G. (2023). “Driver’s Hand-Foot Coordination and Global-Regional Brain Functional Connectivity under Fatigue: Via Graph Theory and Explainable Artificial Intelligence”. IEEE Transactions on Intelligent Vehicles.
Chen, L., Zhi, X., Wang, H., Wang, G., Zhou, Z., & Yazdani, A. (2020). “Driver Fatigue Detection via Differential Evolution Extreme Learning Machine Technique”. Electronics 2020, 9(11), 1850.
Kassem, H. A., Chowdhury, M., Abawajy, J., & Al-Sudani, A. R. A. H. (2020). “Yawn based driver fatigue level prediction”. Computers and Their Applications. Conference (2020 : 35th : Online).
Salvati, L., d’Amore, M., Fiorentino, A., Pellegrino, A., Sena, P., & Villecco, F. (2020). “On-Road Detection of Driver Fatigue and Drowsiness during Medium-Distance Journeys”. Entropy 2021, 23(2), 135.
Ansari, S., Du, H., Naghdy, F., & Stirling, D. (2022). “Automatic driver cognitive fatigue detection based on upper body posture variations”. School of Electrical, Computer and Telecommunications Engineering (SECTE), Faculty of Engineering and Information Sciences (EIS), University of Wollongong, Wollongong 2500, New South Wales, Australia.
Zhang, M., Liu, C., Wu, Z., & Yao, B. (2022). “An adaptive Driver Fatigue Identification Method Based on HMM”. 2021 5th CAA International Conference on Vehicular Control and Intelligence (CVCI).
Zhang, T., Zhang, Y., & Yang, L. (2022). “Driver Fatigue Detection Method Based on Human Pose Information Entropy”. Eleonora Papadimitriou.
CLINICA de Distúrbios do Sono. Disponível em: http://www.clinicadedisturbiosdosono.com.br/detEspecialidades.php?cod=6. Acesso em: 22 abr. 2024.
1,2,3 Programa de Pós-graduação em Computação Aplicada – Universidade Federal do Pará (UFPA)
CEP:68515-000 – Parauapebas – PA – Brazil (wherbert.silva@tucurui.ufpa.br), (vigner.santos@tucurui.ufpa.br), (dpinheiro@ufpa.br)